CN103926097B - 一种用于采集和提取低速重载设备故障特征信息的方法 - Google Patents

Abstract

本发明公开了一种采集和提取低速重载设备故障特征信息的方法，可用于提取设备微弱故障信号。通过安装在设备轴承座上的声发射传感器采集设备工作状态下的声发射信号，应用非线性冗余提升小波对采集到的声发射信号预处理，对预处理后的声发射信号进行经验模态分解得到若干个本征模态分量，把冲击性和周期性明显的本征模态分量与原始信号组成混合信号，再应用独立分量分析技术分离出独立信号并作傅立叶变换，从而提取出设备的微弱故障特征。该方法能有效提取出低速重载设备的微弱故障特征信息，对设备的故障诊断提供了有效的依据。

Description

一种用于采集和提取低速重载设备故障特征信息的方法

技术领域

本发明涉及一种用于采集和提取设备故障特征信息的方法，特别是一种用于采集和提取低速重载设备微弱故障特征信息的方法。

背景技术

低速重载设备由于低速运转，载荷复杂多变，加上生产环境恶劣，设备很容易发生故障。该类设备一旦突发故障可能会导致生产中断，给企业造成巨大的经济损失，甚至还会造成人员伤亡，因此及时的发现设备的故障隐患具有十分重要的现实意义。

低速重载设备故障振动信号能量微弱，容易被周围强烈的环境噪声所淹没，从而常用的振动检测方法难以奏效。复杂的工厂环境中，传感器拾取的信号一般是由若干个源信号混叠而成的混合信号，这给故障诊断带来了困难，独立分量分析技术为解决上述问题提供了很好的方法。传统的独立分量分析技术限于非高斯、平稳和相互独立的源信号，且传感器的观测数多于源信号数。在实际机械故障诊断过程中，机械故障源信号通常不会满足这些假设条件，从而无法进行故障诊断。

发明内容

本发明的基本原理是采用声发射检测设备采集声发射信号，应用非线性冗余提升小波对采集到的声发射信号预处理，然后对预处理后的信号经验模态分解得到若干个本征模态分量，再把冲击性和周期性明显的本征模态分量与原始信号组成混合信号，最后应用独立分量分析技术分离出独立信号并作快速立里叶变换，提取出故障信息。

本发明具体包括以下步骤：

（1）将声发射传感器安装在设备需要检测的位置，通过与传感器相连接的声发射数据采集仪采集设备在工作状态下的声发射信号。

（2）应用非线性冗余提升小波对步骤（1）采集到的声发射信号进行预处理，可以起到很好的降噪作用，非线性冗余提升小波的步骤：

1）根据插值细分方法获得各层的初始预测系数和更新系数，再引入'算法对初始系数进行插值补零运算，即对于第j层分解，在初始预测系数和更新系数之间插入2^j-1个零值，以得到该层的预测系数和更新系数；结合尺度函数和小波函数的频率特性，选取多组具有不同长度的预测算子和更新算子并且令以此得到小波函数；应用小波函数对信号进行小波包分解并对分解得到的系数归一化处理并求取l^p范数，其计算公式如下：

${\left|\right|x_{j,n}\left|\right|}_p={\left(\underset{k}{\mathrm{\Σ}}{|x_{j,n,k}/\underset{k}{\mathrm{\Σ}}{x}_{j,n,k}|}^p\right)}^{1/p},$ p≤1;n＝1,2,…2^j

式中，x_j,n,k第j层的第n个小波包系数中的第k个元素。

分别比较小波包系数的归一化l^p范数，取范数最小时对应的预测算子和更新算子为节点的最优算子。

2)对步骤1）分解得到的各个节点求取归一化能量，其计算公式如下：

$E\left(x_{j,n,k}\right)=\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{x}_{j,n,k}^2/\underset{n=1}{\overset{2^j}{\mathrm{\Σ}}}\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{x}_{j,n,k}^2$

式中，x_j,n,k第j层的第n个小波包系数中的第k个元素。

3）取步骤2）中小波包能量分析中能量最大的节点进行非线性单支重构，得到单支重构信号x(t)。具体步骤：保留待重构的节点信息并将其他节点信息全部置零；再根据小波包分解时记录各个节点的分解路径进行逆向重构；最后根据非线性算法，在进行每次分解时记录各个节点所选用的最优预测算子和更新算子，根据记录结果进行逆向非线性重构得到重构信号。

（3）采用经验模态分解方法对步骤（2）得到的重构信号x(t)进行分解，得到n个本征模态分量。选取冲击性和周期性明显的本征模态分量，与步骤（1）中的原始信号组成混合信号y(t)。经验模态分解的步骤：确定信号x(t)的所有极值点，并用三次样条函数拟合所有的极大值和极小值点，获得x(t)上、下包络线并计算出它们的平均曲线m(t)；用x(t)减去m(t)得到新的信号序列h(t)，重复上次多次直到满足条件得到第一个本征模态函数c₁(t)；原信号减去c₁(t)得到第一阶剩余信号r₁(t)作为新的原信号重复上述过程得到n个本征模态分量，此时得到：

$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i+r_n$

式中，c_i为本征模态函数，r_n为残余函数。

（4）将步骤（3）得到的混合信号y(t)作为快速独立分量分析的输入数据，该算法是采用牛顿迭代算法对混合信号的大量采样点进行批处理，每次分离出一个独立分量，从而得出计算后的分量即独立信号。

（5）对步骤（4）的独立信号作快速傅立叶变换，得到频谱图，通过观察频谱图提取出有用的信息。

与现有技术相比，本发明方法具有以下优点：

能有效地将低速重载设备微弱的故障特征信息从背景信号中提取出来，便于早期发现设备故障隐患，保证设备正常运行。

附图说明

图1为本发明的流程图。

图2为原始声发射信号的时域波形图。

图3为非线性冗余提升小波的流程图。

图4小波包分解算法流程图。

图5为节点信号非线性单支重构流程图。

图6为非线性冗余提升小波预处理后的声发射信号频谱局部放大图。

图7（a）为经验模态分解的前六个本征模态分量。

图7（b）为经验模态分解的后六个本征模态分量。

图8为重组混合信号独立分量分析计算后的分量图。

图9为快速傅立叶变换的频谱图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

（1）将声发射传感器安装在轴承座上，通过与声发射传感器相连接的声发射数据采集仪采集设备在工作状态下的声发射信号，图2所示为采集到的声发射信号的时域波形图。

（2）应用非线性冗余提升小波对步骤（1）采集到的声发射信号进行预处理，图3所示为非线性冗余提升小波的流程图。非线性冗余提升小波的步骤：

1）根据插值细分方法获得各层的初始预测系数和更新系数，再引入算法对初始系数进行插值补零运算，即对于第j层分解，在初始预测系数和更新系数之间插入2^j-1个零值，以得到该层的预测系数和更新系数；结合尺度函数和小波函数的频率特性，选取N＝4,12,20和分别作为预测算子和更新算子的长度，以此组合一共得到(4,4)、(12,4)、(12,12)、(20,4)、(20,12)和(20,20)六种小波函数；应用这六种小波函数对声发射信号进行小波包分解并对分解得到的六组小波包系数归一化处理并求取lp范数，p的取值为0.1，取范数最小时对应的预测算子和更新算子为节点的最优算子，图4所示即为上述步骤的流程图。

2）对步骤1）分解得到的各个节点求取归一化小波包能量,并取出能量最大的节点。

3）保留步骤2）中小波包能量分析中能量最大的节点信息并将其他节点信息全部置零；再根据小波包分解时记录各个节点的分解路径进行逆向重构；最后根据非线性算法，在进行每次分解时记录各个节点所选用的最优预测算子和更新算子，根据记录结果进行逆向非线性重构得到重构信号x(t)，图5所示即为上述步骤。图6所示为重构信号的频谱局部放大图，图中有明显的等间隔，因此可以怀疑该设备有故障隐患。

（3）采用经验模态分解方法对步骤（2）得到的重构信号进行分解，得到n个本征模态分量（本实例中分解为12个本征模态分量），图7（a）、图7（b）分别为分解得到的12个本征模态分量；选取其中冲击性和周期性明显的本征模态分量，与步骤（1）中的原始信号重新组成混合信号。

（4）将步骤（3）得到的混合信号作为快速独立分量分析的输入数据，得到独立分量分析计算后的分量，即分离出独立信号，图8所示为独立分量分析计算后的分量图。

（5）对步骤（4）的独立信号分别作快速傅立叶变换，得到频谱图，通过观察频谱图提取出有用的信息。图9是声发射信号经过非线性冗余小波处理、经验模态分解和独立分量分析分离后的故障特征明显的频谱图。从图中可以看到259.4Hz的基频以及其倍频，从而提取出故障信息判断出故障隐患部件，实现设备故障的早期诊断。

本发明采用声发射检测设备采集声发射信号，应用非线性冗余提升小波预处理，再进行经验模态分解和独立分量分析，有效提取低速重载设备的故障信息，解决了低速重载设备故障信息难以提取的问题。

Claims (2)

1.一种采集和提取低速重载设备故障特征信息的方法，其特征在于：该方法包括以下步骤，

(1)将声发射传感器安装在设备需要检测的位置，通过与传感器相连接的声发射数据采集仪采集设备在工作状态下的声发射信号；

(2)应用非线性冗余提升小波对步骤(1)采集到的声发射信号预处理；非线性冗余提升小波的步骤

1)根据插值细分方法获得各层的初始预测系数和更新系数，再引入算法对初始系数进行插值补零运算，即对于第j层分解，在初始预测系数和更新系数之间插入2^j-1个零值，以得到该层的预测系数和更新系数；结合尺度函数和小波函数的频率特性，选取多组具有不同长度的预测算子和更新算子并且令以此得到小波函数；应用小波函数对信号进行小波包分解并对分解得到的系数归一化处理并求取l^p范数，其计算公式如下

$\left|\right|x_{j,n}|{|}_p={\left(\underset{k}{\Σ}\right|x_{j,n,k}/\underset{k}{\Σ}{x}_{j,n,k}{|}^p)}^{1/p},p\≤1;n=1,2,...2^j$

式中，x_j,n,k第j层的第n个小波包系数中的第k个元素；

分别比较小波包系数的归一化l^p范数，取范数最小时对应的预测算子和更新算子为节点的最优算子；

2)对步骤1)分解得到的各个节点求取归一化能量，其计算公式如下

$E\left(x_{j,n,k}\right)=\underset{k=1}{\overset{l}{\Σ}}{x}_{j,n,k}^2/\underset{n=1}{\overset{2^j}{\Σ}}\underset{k=1}{\overset{l}{\Σ}}{x}_{j,n,k}^2$

式中，x_j,n,k第j层的第n个小波包系数中的第k个元素；

3)取步骤2)中小波包能量分析中能量最大的节点进行非线性单支重构，得到单支重构信号x(t)；具体步骤：保留待重构的节点信息并将其他节点信息全部置零；再根据小波包分解时记录各个节点的分解路径进行逆向重构；最后根据非线性算法，在进行每次分解时记录各个节点所选用的最优预测算子和更新算子，根据记录结果进行逆向非线性重构得到重构信号；

(3)采用经验模态分解方法对步骤(2)得到的单支重构信号x(t)进行分解，得到n个本征模态分量；选取冲击性和周期性明显的本征模态分量，与步骤(1)中的原始信号组成混合信号y(t)；经验模态分解的步骤：确定信号x(t)的所有极值点，并用三次样条函数拟合所有的极大值和极小值点，获得x(t)上、下包络线并计算出它们的平均曲线m(t)；用x(t)减去m(t)得到新的信号序列h(t)，重复上次多次直到满足条件得到第一个本征模态函数c₁(t)；原信号减去c₁(t)得到第一阶剩余信号r₁(t)作为新的原信号重复上述过程得到n个本征模态分量，此时得到

$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i+r_n$

式中，c_i为本征模态函数，r_n为残余函数；

(4)将步骤(3)得到的混合信号y(t)作为快速独立分量分析的输入数据，采用牛顿迭代算法对混合信号的大量采样点进行批处理，每次分离出一个独立分量，从而得出计算后的分量即独立信号；

(5)对步骤(4)的独立信号作快速傅立叶变换，得到频谱图，通过观察频谱图提取出有用的信息。

2.根据权利要求1所述的一种采集和提取低速重载设备故障特征信息的方法，其特征在于：

(1)将声发射传感器安装在轴承座上，通过与声发射传感器相连接的声发射数据采集仪采集设备在工作状态下的声发射信号；

(2)应用非线性冗余提升小波对步骤(1)采集到的声发射信号进行预处理，非线性冗余提升小波的步骤，

1)根据插值细分方法获得各层的初始预测系数和更新系数，再引入算法对初始系数进行插值补零运算，即对于第j层分解，在初始预测系数和更新系数之间插入2^j-1个零值，以得到该层的预测系数和更新系数；结合尺度函数和小波函数的频率特性，选取N＝4,12,20和分别作为预测算子和更新算子的长度，以此组合一共得到(4,4)、(12,4)、(12,12)、(20,4)、(20,12)和(20,20)六种小波函数；应用这六种小波函数对声发射信号进行小波包分解并对分解得到的六组小波包系数归一化处理并求取l^p范数，p的取值为0.1，取范数最小时对应的预测算子和更新算子为节点的最优算子；

2)对步骤1)分解得到的各个节点求取归一化小波包能量,并取出能量最大的节点；

3)保留步骤2)中小波包能量分析中能量最大的节点信息并将其他节点信息全部置零；再根据小波包分解时记录各个节点的分解路径进行逆向重构；最后根据非线性算法，在进行每次分解时记录各个节点所选用的最优预测算子和更新算子，根据记录结果进行逆向非线性重构得到单支重构信号x(t)；

(3)采用经验模态分解方法对步骤(2)得到的重构信号进行分解，得到n个本征模态分量；选取其中冲击性和周期性明显的本征模态分量，与步骤(1)中的原始信号重新组成混合信号；

(4)将步骤(3)得到的混合信号作为快速独立分量分析的输入数据，得到独立分量分析计算后的分量，即分离出独立信号；

(5)对步骤(4)的独立信号分别作快速傅立叶变换，得到频谱图，通过观察频谱图提取出有用的信息；实现设备故障的早期诊断。